Strategia sztucznej inteligencji — proces tworzenia strategii sztucznej inteligencji

W tym artykule opisano proces przygotowania organizacji do wdrożenia sztucznej inteligencji. Dowiesz się, jak wybrać odpowiednie rozwiązania sztucznej inteligencji, przygotować swoje dane i uziemić swoje podejście w zasadach odpowiedzialnej sztucznej inteligencji. Dobrze zaplanowana strategia sztucznej inteligencji jest zgodna z celami biznesowymi i zapewnia, że projekty sztucznej inteligencji przyczyniają się do ogólnego sukcesu. Pierwszym krokiem jest utworzenie centrum doskonałości sztucznej inteligencji (AI CoE) lub wyznaczenie lidera sztucznej inteligencji w celu nadzorowania wdrażania sztucznej inteligencji.

Identyfikowanie przypadków użycia sztucznej inteligencji

Sztuczna inteligencja zwiększa wydajność indywidualną i poprawia procesy biznesowe. Generowanie sztucznej inteligencji zwiększa produktywność i zwiększa jakość obsługi klientów. Niegeneracyjna sztuczna inteligencja, taka jak uczenie maszynowe, jest idealna do analizowania danych strukturalnych i automatyzowania powtarzających się zadań. Dzięki temu zidentyfikuj obszary w firmie, w których sztuczna inteligencja może zwiększyć wartość. Aby uzyskać więcej informacji, zobacz przykładowe przypadki użycia sztucznej inteligencji.

• Poszukaj możliwości automatyzacji. Identyfikowanie procesów odpowiednich do automatyzacji w celu zwiększenia wydajności i zmniejszenia kosztów operacyjnych. Skoncentruj się na powtarzających się zadaniach, operacjach z dużą ilością danych lub obszarach o wysokich współczynnikach błędów, w których sztuczna inteligencja może mieć znaczący wpływ.

• Przeprowadzanie oceny wewnętrznej. Zbierz dane wejściowe z różnych działów, aby zidentyfikować wyzwania i nieefektywność, z którymi może się zająć sztuczna inteligencja. Dokumentuj przepływy pracy i zbieraj dane wejściowe od uczestników projektu, aby odkryć możliwości automatyzacji, generowania szczegółowych informacji lub podejmowania lepszych decyzji.

• Eksplorowanie przypadków użycia w branży. Zbadaj, w jaki sposób podobne organizacje lub branże używają sztucznej inteligencji do rozwiązywania problemów lub ulepszania operacji. Użyj narzędzi, takich jak architektury sztucznej inteligencji w Centrum architektury platformy Azure, aby uzyskać inspirację i ocenić, które podejścia mogą odpowiadać Twoim potrzebom.

• Ustaw cele sztucznej inteligencji. Dla każdego zidentyfikowanego przypadku użycia jasno zdefiniuj cel (ogólnego przeznaczenia), cel (żądany wynik) i metrykę sukcesu (miarę kwantyfikalną). Te elementy będą służyć jako testy porównawcze, aby kierować wdrażaniem sztucznej inteligencji i mierzyć jego wpływ.

Aby uzyskać więcej informacji, zobacz przykładową strategię sztucznej inteligencji.

Definiowanie strategii technologii sztucznej inteligencji

Strategia technologii sztucznej inteligencji koncentruje się na wybieraniu najbardziej odpowiednich narzędzi i platform dla przypadków użycia generacyjnych i niegeneracyjnych sztucznej inteligencji. Firma Microsoft oferuje szereg opcji, w tym oprogramowania jako usługi (SaaS), platformy jako usługi (PaaS) i infrastruktury jako usługi (IaaS), z których każdy ma różne poziomy dostosowywania i wspólną odpowiedzialność między Użytkownikiem a firmą Microsoft. Aby pokierować swoją decyzją, użyj następującego drzewa decyzyjnego sztucznej inteligencji. Dla każdej usługi należy ocenić umiejętności, dane i budżet wymagane do pomyślnego wykonania tej usługi. W tym artykule znajdują się wskazówki ułatwiające wykonanie tego procesu oceny.

Kupowanie usług oprogramowania sztucznej inteligencji (SaaS)

Firma Microsoft oferuje różne usługi generacyjne sztucznej inteligencji copilot, które zwiększają wydajność indywidualną. Te rozwiązania Copilots umożliwiają zakup oprogramowania jako usługi (SaaS) dla funkcji sztucznej inteligencji w całej firmie lub dla określonych użytkowników. Produkty SaaS zwykle wymagają minimalnych umiejętności technicznych.

Jeśli chodzi o potrzebne dane, Microsoft 365 Copilot używa danych przedsiębiorstwa w usłudze Microsoft Graph. Dane można kategoryzować przy użyciu etykiet poufności. Kopiloci oparte na rolach mają różne opcje podłączenia do danych i wtyczek do zbierania danych. Większość w produkcie Copilots nie wymaga dodatkowego przygotowania danych. rozszerzanie programu Micorosoft 365 Copilot umożliwia dodawanie większej ilości danych za pośrednictwem programu Microsoft Graph lub agentów deklaratywnych, które mogą ściągać z różnych źródeł danych. Copilot Studio automatyzuje większość przetwarzania danych potrzebnych do tworzenia niestandardowych copilots dla różnych aplikacji biznesowych. Aby uzyskać więcej informacji, skorzystaj z linków w poniższej tabeli.

Microsoft Copilots	opis	User	Potrzebne dane	Wymagane umiejętności	Główne czynniki kosztowe
Microsoft 365 Copilot	Użyj rozwiązania Microsoft 365 Copilot dla całego przedsiębiorstwa, które automatyzuje pracę w aplikacjach platformy Microsoft 365 i zapewnia rozszerzony sposób zabezpieczeń na czacie z danymi biznesowymi w programie Microsoft Graph.	Służbowy	Tak	Ogólne zarządzanie zasobami IT i danymi	Licencja
Copilots oparte na rolach	Użyj Microsoft Copilot for Security i agentów opartych na rolach dla platformy Microsoft 365, aby zwiększyć produktywność dla określonych ról biznesowych. Agenci oparty na rolach obejmują Microsoft 365 Copilot for Sales, Microsoft 365 Copilot for Servicei Microsoft 365 Copilot for Finance.	Służbowy	Tak	Ogólne zarządzanie zasobami IT i danymi	Licencje lub jednostki obliczeniowe zabezpieczeń (Copilot for Security)
W produkcie Copilots	Użyj Copilotów, aby zwiększyć produktywność w produktach Microsoft. Produkty z wbudowanymi Copilotami obejmują GitHub, Power Apps, Power BI, Dynamics 365, Power Automatei Azure.	Firma i osoba indywidualna	Tak	None	Bezpłatna lub subskrypcja
Copilot Free lub Pro	Użyj bezpłatnej wersji na potrzeby dostępu opartego na przeglądarce do modeli usługi Azure OpenAI. Użyj narzędzia Copilot Pro , aby uzyskać lepszą wydajność i większą pojemność.	Osoba fizyczna	Nie.	None	Brak dla Copilot Free lub subskrypcji Copilot Pro
Narzędzia rozszerzalności dla platformy Microsoft 365 Copilot	Dostosowywanie (rozszerzanie) rozwiązania Microsoft 365 Copilot przy użyciu większej ilości danych (wiedzy) za pośrednictwem łączników programu Microsoft Graph lub możliwości (umiejętności) za pośrednictwem agentów deklaratywnych. Aby utworzyć agentów deklaratywnych, użyj narzędzi rozszerzalności, takich jak Copilot Studio (rozwój w modelu SaaS), kreator agenta, zestaw narzędzi Teams w VS Code (opcja pro-code) i Sharepoint.	Firma i osoba indywidualna	Tak	Zarządzanie danymi, ogólne umiejętności informatyczne lub deweloperskie	Licencja Microsoft 365 Copilot
Copilot Studio	Użyj Copilot Studio do budowania, testowania i wdrażania agentów w środowisku tworzenia SaaS.	Programista	Tak	Używanie platformy do łączenia źródeł danych, mapowania monitów i wdrażania copilots w różnych lokalizacjach	Licencja

Tworzenie obciążeń sztucznej inteligencji za pomocą platform Platformy Azure (PaaS)

Firma Microsoft udostępnia różne opcje platformy jako usługi (PaaS) na potrzeby tworzenia obciążeń sztucznej inteligencji. Wybrana platforma zależy od celów sztucznej inteligencji, wymaganych umiejętności i potrzeb związanych z danymi. Platforma Azure oferuje platformy odpowiednie dla różnych poziomów wiedzy, od przyjaznych dla początkujących narzędzi do zaawansowanych opcji dla doświadczonych deweloperów i analityków danych. Przejrzyj strony cennika i skorzystaj z kalkulatora cen platformy Azure , aby oszacować koszty.

Cel sztucznej inteligencji	Rozwiązanie firmy Microsoft	Potrzebne dane	Wymagane umiejętności	Główne czynniki kosztowe
Tworzenie aplikacji RAG za pomocą platformy opartej na kodzie	Azure AI Foundry lub Azure OpenAI	Tak	Wybieranie modeli, organizowanie przepływu danych, dzielenie danych, wzbogacanie fragmentów, wybieranie indeksowania, interpretacja typów zapytań (pełnotekstowe, wektorowe, hybrydowe), interpretacja filtrów i aspektów, wykonywanie ponownego korbowania, przepływ monitów inżynieryjnych, wdrażanie punktów końcowych i korzystanie z punktów końcowych w aplikacjach	Obliczenia, liczba tokenów w i na wynos, używane usługi sztucznej inteligencji, magazyn i transfer danych
Dostrajanie modeli generacyjnych sztucznej inteligencji	Azure AI Foundry	Tak	Wstępne przetwarzanie danych, dzielenie danych na dane trenowania i walidacji, weryfikowanie modeli, konfigurowanie innych parametrów, ulepszanie modeli, wdrażanie modeli i korzystanie z punktów końcowych w aplikacjach	Obliczenia, liczba tokenów w i na wynos, używane usługi sztucznej inteligencji, magazyn i transfer danych
Trenowanie i wnioskowanie modeli uczenia maszynowego przy użyciu własnych danych	Azure Machine Learning lub Microsoft Fabric	Tak	Wstępne przetwarzanie danych, modele trenowania przy użyciu kodu lub automatyzacji, ulepszanie modeli, wdrażanie modeli uczenia maszynowego i korzystanie z punktów końcowych w aplikacjach	Obliczenia, magazyn i transfer danych
Korzystanie z niegeneracyjnych modeli sztucznej inteligencji w aplikacjach	Usługi sztucznej inteligencji platformy Azure	Tak	Wybieranie odpowiedniego modelu sztucznej inteligencji, zabezpieczanie punktów końcowych, korzystanie z punktów końcowych w aplikacjach i dostrajanie w razie potrzeby	Korzystanie z używanych punktów końcowych modelu, magazynu, transferu danych, obliczeń (w przypadku trenowania modeli niestandardowych)

Korzystanie z własnych modeli za pomocą usług infrastruktury (IaaS)

W przypadku organizacji wymagających większej kontroli i dostosowywania firma Microsoft oferuje rozwiązania typu infrastruktura jako usługa (IaaS). Chociaż platformy Azure (PaaS) są preferowane w przypadku obciążeń AI, maszyny wirtualne platformy Azure za pośrednictwem usługi CycleCloud i usługi Azure Kubernetes zapewniają dostęp do GPU i CPU w celu realizacji zaawansowanych zastosowań sztucznej inteligencji. Ta konfiguracja umożliwia przenoszenie własnych modeli na platformę Azure. Zapoznaj się z odpowiednimi stronami cen i kalkulatorem cen platformy Azure.

Cel sztucznej inteligencji	Rozwiązanie firmy Microsoft	Potrzebne dane	Wymagane umiejętności	Główne czynniki kosztowe
Trenowanie i wnioskowanie własnych modeli sztucznej inteligencji. Korzystanie z własnych modeli na platformie Azure.	Azure Virtual Machines lub Azure Kubernetes Service	Tak	Zarządzanie infrastrukturą, IT, instalacja programu, trenowanie modelu, testowanie modelu, orkiestracja, wdrażanie punktów końcowych, zabezpieczanie punktów końcowych i korzystanie z punktów końcowych w aplikacjach	Środowisko obliczeniowe, koordynator węzłów obliczeniowych, dyski zarządzane (opcjonalnie), usługi magazynu, usługa Azure Bastion i inne używane usługi platformy Azure

Aby uzyskać więcej informacji, zobacz przykładową strategię sztucznej inteligencji.

Definiowanie strategii danych sztucznej inteligencji

Dla każdego przypadku użycia sztucznej inteligencji należy zdefiniować strategię danych sztucznej inteligencji. Strategia dotycząca danych powinna przedstawiać rozwiązania dotyczące zbierania, magazynowania i użycia danych zgodne ze standardami prawnymi, etycznymi i operacyjnymi. Dostosuj strategię do każdego przypadku użycia, aby zapewnić niezawodne dane wyjściowe sztucznej inteligencji i promować bezpieczeństwo danych i prywatność. W razie potrzeby można skonsolidować te indywidualne strategie w szerszą strategię danych podsumowania dla organizacji.

• Ustanów nadzór nad danymi. Zdefiniuj zasady ładu danych dla każdego przypadku użycia sztucznej inteligencji, aby zapewnić zgodność obciążeń ze standardami prawnymi i etycznymi. Uwzględnij kategoryzacja danych na podstawie poufności i zasad w celu kontrolowania dostępu, użycia i magazynu odpowiedniego dla przypadku użycia.

• Planowanie cyklu życia danych. Określ sposób zbierania, przechowywania, przetwarzania i wycofywania danych dla każdego przypadku użycia sztucznej inteligencji. Uwzględnij zasady przechowywania i usuwania oraz użyj kontroli wersji, aby zachować dokładność podczas aktualizacji.

• Konfigurowanie kontroli uczciwości i stronniczości sztucznej inteligencji. Opracowywanie procesów wykrywania stronniczych danych używanych w tym przypadku użycia sztucznej inteligencji i reagowania na nie. Użyj narzędzi takich jak Fairlearn, aby zapewnić modelom sprawiedliwe i sprawiedliwe wyniki, zwłaszcza podczas pracy z atrybutami danych poufnych.

• Promowanie współpracy między sztuczną inteligencją a zespołami danych. Dostosowanie programowania sztucznej inteligencji do wysiłków inżynierii danych w celu zapewnienia, że modele są tworzone przy użyciu danych o wysokiej jakości i dobrze zarządzanych. Ustanów ujednolicony potok trenowania modelu sztucznej inteligencji i aktualizacji danych.

• Przygotowanie do skalowalności danych. Prognozowanie ilości, szybkości i różnych danych potrzebnych dla tego obciążenia sztucznej inteligencji. Zaplanuj użycie elastycznych architektur do skalowania z zapotrzebowaniem i rozważ użycie infrastruktury opartej na chmurze w celu efektywnego zarządzania zasobami.

• Uwzględnij automatyzację zarządzania danymi. Planowanie używania sztucznej inteligencji i uczenia maszynowego do automatyzowania zadań, takich jak tagowanie, katalogowanie i sprawdzanie jakości danych. Automatyzacja zwiększa dokładność i umożliwia zespołom skupienie się na wysiłkach strategicznych.

• Planowanie ciągłego monitorowania i oceny. Ustanów regularne inspekcje danych i danych wyjściowych modelu, aby zapewnić ciągłą jakość, wydajność i sprawiedliwość danych. Monitorowanie modeli sztucznej inteligencji i potoków danych w celu zidentyfikowania wszelkich zmian, które mogą mieć wpływ na niezawodność lub zgodność.

Aby zapoznać się z przykładową strategią danych dostosowaną do różnych przypadków użycia, zobacz przykładową strategię sztucznej inteligencji.

Definiowanie strategii odpowiedzialnej sztucznej inteligencji

Dla każdego przypadku użycia sztucznej inteligencji należy zdefiniować strategię odpowiedzialnej sztucznej inteligencji, która przedstawia twoją rolę w zapewnianiu, że rozwiązania sztucznej inteligencji pozostają wiarygodne i korzystne dla wszystkich użytkowników. Obowiązki mogą się różnić w zależności od technologii przyjętej w każdym przypadku. W razie potrzeby utwórz szerszą strategię odpowiedzialnego używania sztucznej inteligencji obejmującą nadrzędne zasady pochodzące z poszczególnych przypadków użycia.

• Ustanów odpowiedzialność za sztuczną inteligencję. W miarę postępu technologii i przepisów dotyczących sztucznej inteligencji przypisz kogoś do monitorowania tych zmian i zarządzania tymi zmianami. Zazwyczaj jest to odpowiedzialność za sztuczną inteligencję coE lub potencjalnego klienta sztucznej inteligencji.

• Dopasowuje się do ustalonych zasad odpowiedzialnego używania sztucznej inteligencji. Firma Microsoft przestrzega sześciu zasad odpowiedzialnej sztucznej inteligencji, które są zgodne z platformą NIST Artificial Intelligence Risk Management Framework (AI RMF). Użyj tych zasad jako celów biznesowych, aby zdefiniować sukces i zarządzać wdrożeniem sztucznej inteligencji w każdym przypadku użycia.

• Identyfikowanie odpowiedzialnych narzędzi sztucznej inteligencji. Narzędzia odpowiedzialnej sztucznej inteligencji zapewniają, że sztuczna inteligencja jest zgodna z szerszymi praktykami w zakresie odpowiedzialnego używania sztucznej inteligencji. W ramach strategii określ, które narzędzia i procesy odpowiedzialnej sztucznej inteligencji są istotne.

• Zapoznaj się z wymaganiami dotyczącymi zgodności ze standardami prawnymi i prawnymi. Zgodność z przepisami i przepisami wpływa na sposób tworzenia obciążeń sztucznej inteligencji i zarządzania nimi. Badania i przestrzeganie wymagań dotyczących sztucznej inteligencji, w których działasz.

Aby uzyskać więcej informacji, zobacz przykładową strategię sztucznej inteligencji.

Następny krok

Plan sztucznej inteligencji

Przykładowe przypadki użycia sztucznej inteligencji

W tych przykładach wyróżniono różne aplikacje generowania i niegeneracyjne aplikacje sztucznej inteligencji. Chociaż nie są wyczerpujące, zapewniają wgląd w sposób, w jaki sztuczna inteligencja może być stosowana do różnych obszarów firmy.

Generatywna AI	Niegeneracyjna sztuczna inteligencja
Agenci autonomiczni: twórz systemy sztucznej inteligencji, które wykonują zadania niezależnie, takie jak asystenci wirtualni zarządzający harmonogramami lub zapytaniami klientów.	Rozpoznawanie obrazów: używanie sztucznej inteligencji do identyfikowania i klasyfikowania obiektów na obrazach lub wideo, przydatnych w systemach zabezpieczeń lub kontroli jakości.
Marketing: automatycznie twórz wpisy w mediach społecznościowych i biuletyny e-mail.	Przewidywanie: prognozowanie trendów lub optymalizowanie operacji na podstawie danych historycznych.
Platformy handlu elektronicznego: Generuj spersonalizowane rekomendacje produktów i dostosowane środowiska zakupów.	Automatyzacja procesów: automatyzowanie rutynowych zadań i przepływów pracy, które nie wymagają generowania zawartości, takich jak boty obsługi klienta.
Projekt produktu: Szybko twórz wiele odmian prototypów produktów lub elementów projektowych.	Analiza danych: Odkrywanie wzorców w danych ustrukturyzowanych w celu uzyskania szczegółowych informacji i decyzji opartych na danych.
Programowanie oprogramowania: automatyzowanie powtarzalnego generowania kodu, takiego jak operacje CRUD.	Symulacja modelu: symulowanie złożonych obciążeń (dynamika płynów, analiza elementów skończonych) w celu przewidywania zachowania i optymalizowania projektów lub procesów.
Platformy edukacyjne: Generuj spersonalizowane materiały do nauki dla uczniów.	Wykrywanie anomalii: identyfikowanie nietypowych wzorców w danych. Tę strategię można użyć do wykrywania oszustw lub przewidywania awarii sprzętu, na przykład.
Obsługa klienta: dostarczanie odpowiedzi opartych na kontekście za pośrednictwem czatbotów opartych na sztucznej inteligencji.	Zalecenie: Oferują spersonalizowane rekomendacje na podstawie zachowania użytkownika, często używane w handlu elektronicznym i usługach przesyłania strumieniowego.
Agencje reklamowe: utwórz ukierunkowane odmiany reklam dla różnych segmentów odbiorców.	Optymalizacja: Zwiększ wydajność, rozwiązując złożone problemy (optymalizacja łańcucha dostaw, alokacja zasobów).
Aplikacje zdrowia i odnowy biologicznej: Generuj dostosowane procedury treningowe i plany posiłków.	Analiza tonacji: analizowanie tekstu z mediów społecznościowych lub recenzji klientów w celu oceny opinii publicznej i ulepszania środowiska klienta.

Przykładowa strategia sztucznej inteligencji

Ta przykładowa strategia sztucznej inteligencji jest oparta na fikcyjnej firmie Contoso. Firma Contoso obsługuje platformę handlu elektronicznego dla klientów i zatrudnia przedstawicieli sprzedaży, którzy potrzebują narzędzi do prognozowania danych biznesowych. Firma zarządza również opracowywaniem i spisem produktów na potrzeby produkcji. Jego kanały sprzedaży obejmują zarówno firmy prywatne, jak i wysoce regulowane agencje sektora publicznego.

Przypadek użycia sztucznej inteligencji	Cele	Cele	Metryki sukcesu	Podejście do sztucznej inteligencji	Rozwiązanie firmy Microsoft	Wymagania dotyczące danych	Wymagania dotyczące umiejętności	Czynniki kosztów	Strategia danych sztucznej inteligencji	Strategia odpowiedzialnego używania sztucznej inteligencji
Funkcja czatu aplikacji internetowej handlu elektronicznego	Automatyzowanie procesu biznesowego	Zwiększanie zadowolenia klientów	Zwiększenie współczynnika utrzymania klientów	PaaS, generowanie sztucznej inteligencji, RAG	Azure AI Foundry	Opisy i pary elementów	Tworzenie aplikacji RAG i aplikacji w chmurze	Użycie	Ustanów ład danych dla danych klientów i zaimplementuj mechanizmy kontroli sprawiedliwości sztucznej inteligencji.	Przypisz odpowiedzialność za sztuczną inteligencję do sztucznej inteligencji coE i dopasuj je do zasad odpowiedzialnej sztucznej inteligencji.
Wewnętrzny przepływ pracy przetwarzania dokumentów aplikacji	Automatyzowanie procesu biznesowego	Redukcja kosztów	Zwiększona szybkość ukończenia	Analiza sztucznej inteligencji, dostrajanie	Usługi sztucznej inteligencji platformy Azure — analiza dokumentów	Standardowe dokumenty	Projektowanie aplikacji	Szacowane użycie	Definiowanie ładu danych dla dokumentów wewnętrznych i planowanie zasad cyklu życia danych.	Przypisz odpowiedzialność za sztuczną inteligencję i zapewnij zgodność z zasadami obsługi danych.
Zarządzanie zapasami i kupowanie produktów	Automatyzowanie procesu biznesowego	Redukcja kosztów	Krótszy okres przechowywania zapasów	Uczenie maszynowe, modele trenowania	Azure Machine Learning	Historyczne dane spisu i sprzedaży	Uczenie maszynowe i tworzenie aplikacji	Szacowane użycie	Ustanów ład dla danych sprzedaży oraz wykrywaj i usuwaj uprzedzenia w danych.	Przypisz odpowiedzialność za sztuczną inteligencję i zgodność z przepisami finansowymi.
Codzienna praca w całej firmie	Zwiększanie wydajności indywidualnej	Ulepszanie środowiska pracowników	Zwiększone zadowolenie pracowników	Generowanie sztucznej inteligencji SaaS	Microsoft 365 Copilot	Dane usługi OneDrive	Ogólne it	Koszty subskrypcji	Zaimplementuj ład danych dla danych pracowników i zapewnij prywatność danych.	Przypisz odpowiedzialność za sztuczną inteligencję i korzystaj z wbudowanych funkcji odpowiedzialnej sztucznej inteligencji.
Aplikacja do handlu elektronicznego dla funkcji czatu branżowego regulowanego	Automatyzowanie procesu biznesowego	Zwiększ sprzedaż	Zwiększona sprzedaż	Trenowanie modelu IaaS generującego sztuczną inteligencję	Azure Virtual Machines	Dane szkoleniowe specyficzne dla domeny	Infrastruktura chmury i tworzenie aplikacji	Infrastruktura i oprogramowanie	Definiowanie ładu dla regulowanych danych i cyklu życia planu przy użyciu miar zgodności.	Przypisz odpowiedzialność za sztuczną inteligencję i przestrzegaj przepisów branżowych.